我有一个包含 4 种数据列的数据集：

              numeric  categorical            tags                     text
id
1               51585           27  [A, B, C, ...]  "Some text bla bla bla"
2               53596           27  [B, D, E]               "Other text..."
3             1176345           27  [D, A, F, ...]                    "..."
4                 168           24             NaN                    "..."
5               88564           22             NaN                    "..."

• numeric- 连续数值。
• categorical- 离散类别，数字或字符串（类型并不重要，因为我可以将其转换为任何有效的）
• tags- 包含离散值的数组。每行可以有不同的数组长度。
• text- 一串文本。

我是数据科学的新手，所以也许这是一个“初学者”问题。

如何在聚类算法中使用所有这些不同的数据类型？

这是我到目前为止所学到的：

• K-means 适用于数值数据。我成功地将它应用于我的数据子集，其中只有数字列。我还使用了一些评估指标（例如轮廓系数）来帮助我选择聚类的数量。所以这原则上是有效的，但由于它没有使用我的大部分数据，结果并不好。
• 然后我阅读了关于聚类分类数据的信息。我发现高尔距离是分类数据之间的距离。到目前为止，我已经将它与 K-means 一起使用（我将 Gower 生成的距离矩阵传递给了 K-means）。从这里应该很容易将 Gower 距离矩阵与我原始数据集中的数字列连接起来，并将它们全部传递给 K-means。

我知道除了 K-means 之外还有其他聚类算法，我也计划检查其他一些算法。但在此之前，我想找到某种方法在一个算法中利用我的所有数据。

• 和tags列text难倒我。我找不到将它们用于集群的方法。我发现了一些关于从文本文档中聚类单词的文章——这不是我想做的。我想将一text列用作一个（或多个）“特征”来进行聚类。
• 我知道用于转换text为数字向量的“词袋”方法。我也可以很容易地想象如何使用相同的方法将 转换tags为向量。然而，这似乎有点矫枉过正，因为它会大大增加我的数据的维度。还有其他方法可以解决这个问题吗？

底线 - 我正在寻找一种将所有这些数据类型一起用于聚类的方法。我总结了到目前为止我所知道的，但我对任何解决方案持开放态度，即使它与我上面列出的完全不同。

谢谢！